来源：遥感和深度学习

原文链接：https://mp\.weixin\.qq\.com/s/kvFykKLlDoECC\_M2\-1aaQg

题目：RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration

期刊：European Conference on Computer Vision（ECCV 2026）

论文：https://arxiv\.org/abs/2607\.02471

数据：OSdataset、WHU-OPT-SAR、RoadScene

代码：https://github\.com/NEU\-Liuxuecong/RBE\-Flow

年份：2026

单位：东北大学

创新点

背景

跨模态图像配准（如光学-SAR、可见光-红外）在遥感分析、三维场景理解和自主导航等领域具有重要应用价值，但由于不同传感机制导致的强非线性辐射差异（强度反转、斑点噪声、光谱差异）以及几何形变，使得配准任务面临高度非凸的匹配优化空间。

现有的确定性回归或标准优化方法缺乏不确定性感知能力，在面对模糊区域或强噪声时容易产生过度自信的错误更新，导致误差累积，难以在复杂跨模态场景下保持稳定精细的配准精度。

数据

文章在三个跨模态数据集上进行了实验验证。

OSdataset

WHU-OPT-SAR

RoadScene

方法

整体框架

RBE-Flow构建了一个闭环循环贝叶斯估计框架，将流估计视为动态状态估计问题，核心由多尺度特征提取、初始化模块以及循环的RMO-UAPU耦合模块组成。

结果与分析

RBE-Flow在三个跨模态数据集上均取得了优于现有手工设计、稀疏、半稠密及稠密匹配方法的配准精度，尤其在严格亚像素阈值下表现出更强的鲁棒性和稳定性。消融实验表明，全局初始化、概率损失、RMO与UAPU模块的逐步引入均带来了性能提升，其中RMO与UAPU的协同作用对亚像素级精度提升贡献最为显著。

 

原文链接: https://www.leiphone.com/category/private/egBlV3Q2RiPdwzGC.html